[논문 리뷰] Comparing Deep Learning Models for Multi-cell Classification in Liquid-based Cervical Cytology Images

Sudhir Sornapudi, G. T. Brown외 4명|arXiv (Cornell University)|2019. 10. 02.

AI in cancer detection참고 문헌 12인용 수 6

한 줄 요약

이 논문은 정밀한 세포 분할이 필요 없이, 미세조직 기반 분류를 통해 액체 기반 경부 세포도말 영상에서 다세포 분류를 위한 딥러닝 파이프라인을 제안한다. VGG-19는 정밀도-재현율 곡선에서 95%의 정확도를 달성하여 경부 슬라이드 영상에서 고립 및 겹치는 세포를 분류하는 데 뛰어난 성능을 보였다.

ABSTRACT

Liquid-based cytology (LBC) is a reliable automated technique for the screening of Papanicolaou (Pap) smear data. It is an effective technique for collecting a majority of the cervical cells and aiding cytopathologists in locating abnormal cells. Most methods published in the research literature rely on accurate cell segmentation as a prior, which remains challenging due to a variety of factors, e.g., stain consistency, presence of clustered cells, etc. We propose a method for automatic classification of cervical slide images through generation of labeled cervical patch data and extracting deep hierarchical features by fine-tuning convolution neural networks, as well as a novel graph-based cell detection approach for cellular level evaluation. The results show that the proposed pipeline can classify images of both single cell and overlapping cells. The VGG-19 model is found to be the best at classifying the cervical cytology patch data with 95 % accuracy under precision-recall curve.

연구 동기 및 목표

• 기존 방법이 정밀한 세포 분할에 크게 의존하는 액체 기반 세포도말 영상에서 정확한 경부 세포 분류 문제를 해결하기 위해.
• 사전 분할이 필요 없는 이미지 패치에 직접 작용하는 강력한 분류 파이프라인을 개발하기 위해.
• 세포도말 영상에서 고립 및 겹치는 경부 세포를 분류할 수 있는 능력을 평가하기 위해 다양한 딥러닝 아키텍처를 평가하기 위해.
• 계층적 특징 추출과 그래프 기반 탐지 기법을 활용하여 자동 패피 스며 스크리닝의 진단 정확도를 향상시키기 위해.

제안 방법

• 전체 슬라이드 영상에서 레이블이 부여된 경부 패치 데이터를 생성하여 대표적인 세포 영역에서 딥러닝 모델을 훈련한다.
• 딥러닝 모델이 깊이 있는 계층적 특징을 추출하기 위해 패치 데이터에서 컨볼루션 신경망을 미세조정한다.
• 세포 수준에서 세포를 식별하고 국소화하는 데 도움이 되는 새로운 그래프 기반 세포 탐지 방법을 도입한다.
• VGG-19, ResNet-50, DenseNet-121, Inception-v3를 포함한 여러 사전 훈련된 모델을 평가하여 성능 비교를 수행한다.
• 시험 세트의 다세포 영상에서 정밀도-재현율 곡선과 정확도 지표를 사용하여 분류 성능을 평가한다.
• 패치 수준의 분류와 그래프 기반 국소화에 중점을 두어 수동 또는 복잡한 분할에 의존하지 않는다.

실험 결과

연구 질문

• RQ1 고립 및 겹치는 세포를 모두 포함하는 경부 세포도말 패치 분류에서 가장 우수한 성능을 보이는 딥러닝 아키텍처는 무엇인가?
• RQ2 정밀한 세포 분할이 필요 없는 패치 기반 분류 접근법이 높은 정확도를 달성할 수 있는가?
• RQ3 그래프 기반 세포 탐지 방법은 다세포 상황에서 전체 분류 성능에 어떻게 기여하는가?
• RQ4 사전 훈련된 모델을 세포도말 전용 패치 데이터에 대해 미세조정함으로써 진단 분류 성능에 어떤 영향을 미치는가?
• RQ5 경부 세포도말 영상 분석의 맥락에서 다양한 딥러닝 모델의 정밀도-재현율 성능는 어떻게 변화하는가?

주요 결과

• VGG-19는 정밀도-재현율 곡선에서 95%의 최고 분류 정확도를 기록하여 테스트된 다른 모델들을 압도했다.
• 제안된 파이프라인은 정확한 세포 분할을 전제로 하지 않고도 단일 세포와 겹치는 세포를 성공적으로 분류했다.
• 세포도말 패치 데이터에 대해 사전 훈련된 컨볼루션 신경망을 미세조정함으로써 분류 성능이 크게 향상되었다.
• 그래프 기반 세포 탐지 방법은 슬라이드 영상의 복잡한 군집 영역에서 세포의 효과적인 국소화와 평가를 가능하게 하였다.
• 이 방법은 액체 기반 세포도말에서 흔한 문제인 염색 변동성과 세포 군집화에 대해 강건함을 보였다.
• 결과적으로 패치 기반 딥러닝 분류가 세포 분할에 의존하는 기존 접근법에 비해 실용적이고 정확한 대안임을 시사한다.